人工智能与技术劳动研究 · 顶刊候选稿
秩序不是信息
人工智能系统中的熵转移、验证负债\n与认知秩序重构
文颜 / Wen Yan
Vinson Technology (Singapore) Pte. Ltd.
2026年8月
“熵”已成为解释人工智能的高频概念，却也成为最容易被跨层误用的概念之一。现有论述往往把热力学熵、香农熵、预测熵、语义熵、认识不确定性与社会失序混合起来，进而形成两个相反而同样含混的判断：人工智能通过压缩信息降低熵，或通过生成海量内容增加熵。本文首先建立严格的类型区分，继而提出“人工智能熵转移”理论：生成式人工智能并不当然消除不确定性，而是能够把输入端、表达端和生产端的显性不确定性，转移为事实核验、现实适用、系统整合、责任归属与长期能力退化中的隐性不确定性。文章在信息论条件下证明：若不引入与真实状态有关的新增外部证据，对模型输出实施降温、筛选、摘要、投票或语言润色，可以降低输出分布的熵，却不能增加输出与真实状态之间的互信息。由此得到“低熵表达不推出高信息知识”定理。本文进一步提出“验证负债”“认知过早闭合”和“责任熵”三个结构概念，并建立由生成熵、证据增益、现实差距、验证成本和失败后果共同构成的系统分析框架。研究表明，AI的根本效应不是单向增加或减少秩序，而是重新分配不确定性并改变认知秩序的生产权。本文最后提出H1/H2/H0/HU竞争假设、区分性预测和可复现的经验识别方案，为大模型幻觉、智能体治理、知识生产和高风险自动化决策提供统一但有边界的理论解释。
关键词： 人工智能；信息熵；语义熵；不确定性；验证负债；知识生产；人工智能治理
一、问题的提出
生成式人工智能具有前所未有的秩序生产能力。它可以把分散资料压缩为摘要，把模糊要求转化为方案，把自然语言转化为代码，并把尚未完成的问题加工为结构严整的答案。从直接经验看，AI似乎是一台“降熵机器”：经过模型处理，冗余、无序和含混的材料成为清晰、连贯且可执行的表达。
但同一过程正在产生相反后果。低成本生成导致文本、代码、图像和判断急剧增加；错误信息获得与正确信息近似的形式完整性；组织需要投入更多资源核验机器产物；原有的证据门槛、同行纠错与作者责任受到冲击。人工智能似乎又成为一台“增熵机器”。
这一争论长期无法解决，根本原因不是缺少一个更宏大的熵定义，而是不同论者谈论的并非同一对象。AI可以降低输出符号的分散程度，却提高事实核验压力；可以降低个人寻找答案的成本，却提高组织区分真伪的成本；可以使行动方案更明确，却使失败后的责任归属更加模糊。所谓“AI降低熵”和“AI增加熵”可以同时成立，只是熵的类型、位置与时间尺度不同。
本文因此不再追问AI究竟增熵还是减熵，而提出三个更严格的问题：第一，AI降低了哪里的何种不确定性？第二，未被消除的不确定性被转移至何处，并由谁承担？第三，什么条件下输出秩序能够转化为知识增量，什么条件下只会造成未经证据支持的认知闭合？
本文的贡献有三点。其一，建立跨物理、信息、认识与制度层次的类型边界，避免把熵作为万能隐喻。其二，以数据处理不等式为基础提出“低熵表达不推出高信息知识”定理，并将生成确定性与事实信息严格分开。其三，提出熵转移、验证负债与责任熵理论，把AI可信问题从单一模型准确率推进到证据、行动与责任共同构成的系统结构。
二、文献回顾与解释缺口
（一）从热力学熵到信息熵
热力学熵描述宏观状态对应的微观实现数量以及不可逆过程的方向。Boltzmann将其与微观状态数联系，Clausius赋予其热力学定义。人工智能训练和推理作为物理计算过程，当然受到能耗、散热和Landauer极限约束；但由此不能直接推出“模型知识越混乱，物理熵越高”或“更智能的系统具有更低的热力学熵”。除非给出跨层映射，把概率分布熵直接等同于社会秩序只是概念越界。
Shannon将熵定义为离散随机变量不确定性的函数。对于随机变量X：
H(X) = −Σₓ p(x) log p(x)
机器学习中的交叉熵刻画真实分布与模型分布之间的编码代价，生成温度则改变词元分布的集中程度。但预测熵低只表示模型更集中地选择少数输出，不表示这些输出与现实更加一致。
（二）语义熵与大模型幻觉
词元熵不能处理“不同表达具有相同意义”的问题。Farquhar等把多次生成按照语义等价关系聚类，再计算意义空间中的熵，证明语义熵能够识别一部分任意编造型幻觉。这项研究的重要性在于把不确定性测量从表面字符串推进到意义类别。
然而，语义一致性仍不等于事实正确性。模型可能高度稳定地重复同一个错误；也可能因存在多个同样正确的表述而表现出较高语义熵。语义熵测得的是模型在意义空间中的摇摆程度，而不是主张获得了多少外部证据。2026年关于前沿模型准确性与校准的研究进一步指出，校准误差本身不是完备的幻觉指标：模型可以始终错误而准确报告零置信度，也可以始终正确却错误报告低置信度。
（三）现有研究缺少“熵的位置”
现有AI熵研究大体集中于模型内部：预测分布是否分散、不同采样是否具有语义差异、置信度是否校准。这些研究对检测模型不确定性至关重要，但尚未充分回答输出进入组织和现实之后发生什么。一个低语义熵答案仍可能需要昂贵核验；一个准确建议仍可能超出证据适用域；一个技术上可行的行动仍可能没有合法授权。模型内部熵降低之后，系统外部的不确定性是否下降，不能由模型指标直接推出。
三、概念体系与对象边界
本文区分五类对象。
第一，物理熵Sᵗʰ，属于具体物理系统及其宏观—微观状态关系。第二，信息熵H(X)，属于明确概率空间中的随机变量。第三，模型熵Hₘ，属于模型预测或语义类别分布。第四，认识不确定性H(Z|O,E)，表示获得模型输出O和证据E后，对真实状态Z仍然缺乏的信息。第五，制度不确定性H(R|F,C)，表示失败F和制度条件C下，责任主体R的归属不确定性。
这五类对象不能未经证明互换。本文使用“熵转移”时，不主张不同熵具有相同单位或服从一个物理守恒定律，而是描述：某一局部不确定性指标下降的同时，系统其他位置的条件不确定性或验证负担上升。它是一项具有明确变量映射的结构命题，而非热力学守恒律的社会化版本。
令真实状态为Z，模型原始输出为O，后处理答案为A，新增外部证据为E，现实行动为a，失败后责任主体为R。AI知识—行动链可以表示为：
Z → 数据与证据E → 模型输出O → 后处理A → 行动a → 后果F → 责任R
该链条中的每一环节都可能降低某种不确定性，也可能制造新的条件依赖。可信性不能用链条中任一单点指标替代。
四、低熵表达不推出高信息知识
（一）基本定理
定理1（无新增证据条件下的信息不可创造）。 设真实状态为Z，模型输出为O，系统通过确定性或随机后处理K生成最终答案A。若K仅以O为输入，且没有引入任何与Z有关的新增外部证据，则Z—O—A构成马尔可夫链，并有：
I(Z;A) ≤ I(Z;O)
证明。 由Z—O—A的马尔可夫性，A在给定O后与Z条件独立。根据数据处理不等式，对O的任何局部处理都不能增加关于Z的互信息，因此I(Z;A)≤I(Z;O)。证毕。
系统可以通过降低温度、选择最高概率答案、摘要、投票或修辞润色使H(A)<H(O)，但不能据此推出H(Z|A)<H(Z|O)。故有：
H(A)↓ ⇏ H(Z|A)↓
这一定理并不否认后处理能够提高某些任务准确率。若后处理利用了训练中已经编码的有效相关结构，它可以在有限样本上选择更优输出；但从信息链整体看，它没有创造关于Z的新证据，改善受到O所含信息的上界约束。
（二）同源多智能体推论
推论1。 多个Agent若共享基础模型、训练语料、检索源或提示结构，其一致意见不能自动视为多路独立证据。
设O₁,…,Oₙ为高度同源输出，则联合信息增益一般远小于各路信息增益的简单相加：
I(Z;O₁,…,Oₙ) ≪ Σᵢ I(Z;Oᵢ)
多数投票能够降低答案分歧，却可能把共同偏差压缩为更稳定的错误。多Agent一致降低的是“意见熵”，不必然降低“事实不确定性”。
（三）证据增益
真正降低认识不确定性的关键不是答案更确定，而是引入与Z具有条件互信息的证据E：
H(Z|O) − H(Z|O,E) = I(Z;E|O)
右侧是证据在已有输出之外带来的增量信息。由此可以区分“表达改进”和“知识改进”：前者改变A的形式与分布，后者要求I(Z;E|O)>0。
五、人工智能熵转移理论
（一）基本结构命题
令系统状态为：
Sₜ = (Hₑ,Hₛ,Hₖ,Hᵥ,Hᵣ,Cᶠ)
其中Hₑ为表达熵，Hₛ为语义熵，Hₖ为认识不确定性，Hᵥ为待验证主张的不确定性，Hᵣ为责任熵，Cᶠ为失败的预期代价。AI算子Φ作用于Sₜ并形成Sₜ₊₁。
AI通常能够降低Hₑ，并在部分任务中降低Hₛ；当其获得可靠证据时，也能降低Hₖ。但如果输出缺少充分证据约束，被压缩的不确定性并未消失，而是进入验证、现实执行与责任分配环节。
结构命题1（熵转移）。 局部输出熵下降并不保证系统总不确定性下降；在证据增益不足时，表达端减少的不确定性可能转化为验证端、行动端和责任端的隐性负担。
这里的“转移”不是数值守恒，而是因果链中不确定性承担位置的改变。
（二）验证负债
模型输出后的剩余事实不确定性为V₀=H(Z|O)。实际获得证据Eₐ后，剩余不确定性为V₁=H(Z|O,Eₐ)。若组织在V₁仍较高时将输出投入行动，则形成验证负债：
Dᵥ = H(Z|O,Eₐ) · Cᶠ · L · S
其中L为错误被发现的时间延迟，S为输出被复制、传播或自动执行的规模。该式不是普适自然定律，而是可操作的风险函数：剩余不确定性、后果、延迟和规模任一上升，未支付验证成本的预期风险均会增加。
验证负债解释了为何AI越强，组织未必越不需要验证。生成成本下降会扩大待验证对象数量；只要单件剩余错误风险没有按同等速度下降，总验证负担就可能上升。
（三）认知过早闭合
知识生产通常经历问题提出、资料收集、竞争解释、反例检验与暂缓判断。生成式AI能够在证据不足时提前生成结构完整的结论。本文将“结论形式的完成早于证据闭合”定义为认知过早闭合。
令Tᶜ为表达完成时间，Tᵉ为足以区分竞争假设的证据闭合时间。当Tᶜ<Tᵉ且输出被视为知识成立时，过早闭合发生。AI显著降低Tᶜ，却不当然降低Tᵉ。这意味着表达秩序上升与知识可识别性下降可以同时出现。
（四）责任熵
当AI建议经过多Agent、工具调用、人工审批和自动执行进入现实，失败后的责任可能在模型提供者、部署机构、流程设计者、审批者和执行者之间扩散。定义：
Hᵣ = H(R|F,C)
责任主体越难在既定制度条件下被确定，Hᵣ越高。AI治理不能只降低预测熵，还必须通过权限、日志、审批、回滚与责任规则降低Hᵣ。
六、竞争假设与区分性预测
H1：熵转移假设。 AI在缺乏新增证据时主要降低表达熵，而不能等量降低事实不确定性，并将部分不确定性转化为验证负债。预测：控制准确率后，语言流畅性和答案一致性仍会显著提高用户信任；生成规模增长快于核验能力时，未验证主张存量和延迟纠错成本上升。
H2：证据增益假设。 只有引入与真实状态具有条件互信息的独立证据，AI系统才能稳定降低认识不确定性。预测：异源数据库、实验结果与独立专家判断的组合，优于共享模型和检索源的同源多Agent投票。
H0：能力不足解释。 所谓熵转移只是当前模型不够准确；随着模型能力、上下文和自动验证提高，验证负债将自然消失。该解释的区分条件是：若事实准确率显著提高后，现实适用域、权限冲突与责任归属仍不能由模型指标解决，则H0不能覆盖全部现象。
HU：不可识别假设。 若无法获得真实状态标签、外部证据、实际后果或责任记录，则无法判断低熵输出究竟来自知识增益还是过早闭合。此时结论必须标记为不可识别。
七、经验识别方案
（一）事实任务实验
构建具有可核验真实状态的多领域任务集，采用2×2设计操纵输出确定性和外部证据：高/低温度生成与有/无独立证据。分别测量词元熵、语义熵、正确率、校准、用户信任与行动采纳。H1要求观察到：降低输出熵可以提高信任，却在无新增证据条件下不能稳定提高事实信息；H2要求独立证据带来的增益显著高于同源自洽或投票。
（二）多智能体同源性实验
比较四种条件：单模型；同一模型多Agent；不同模型但共享检索源；不同模型、不同检索源并加入外部可核验证据。关键指标不是多数答案，而是条件互信息、错误相关性和共同失败率。负向控制使用与真实状态无关但形式相似的“伪证据”，检验系统是否仅因证据形式而提高置信。
（三）组织纵向研究
在企业内部联结AI生成量、人工审查时间、返工、事故、回滚、错误发现延迟和责任处理记录。验证负债命题预测：当生成量上升而证据要求与审查能力不变时，短期吞吐提高，但延迟缺陷和责任争议增加。应控制产品复杂度、团队资历、发布频率和行业风险。
（四）证伪条件
若在无外部证据条件下，单纯降低输出熵能够跨模型、跨任务稳定提高与真实状态的互信息，定理所依赖的马尔可夫假设需要重新审查；若高AI采用组织在生成规模扩大后，验证时间、延迟缺陷和责任争议均持续下降，则验证负债机制被削弱；若同源多Agent与异源独立证据长期具有等价增益，则证据独立性命题不成立。
八、讨论
（一）AI幻觉不是单纯的高熵现象
高语义熵能够提示模型在多个意义之间摇摆，但低语义熵不能证明事实。AI幻觉至少包括不稳定编造、稳定错误、证据外推和适用域错配。前两类可以通过不确定性估计部分区分，后两类必须借助外部证据和现实边界。因而，熵指标适合触发核验，不能取代核验。
（二）AI改变认知秩序的生产权
传统知识秩序由作者、同行、学科规范、出版制度和责任机制共同维持。AI把部分秩序生产权交给模型与平台：什么信息被优先组织、什么解释显得自然、何种未知被语言遮蔽，越来越受到训练分布、系统提示和平台规则影响。谁能够低成本制造低熵表达，谁就可能获得定义问题和安排注意力的权力。
（三）可信AI不是追求最低熵
安全系统并不总应输出最确定的答案。证据不足时，保留多种假设、拒绝回答或请求人工确认，可能比低熵单一结论更可靠。可信AI的目标应是“受治理的不确定性”：可以由证据降低的未知应被降低；不能降低的未知必须显式保留；进入现实的行动必须绑定权限、回滚和责任。
（四）理论边界
本文不把热力学第二定律直接转化为社会历史规律，不主张所有AI风险都能由熵解释，也不把熵评分当作真理评分。偏见、价值冲突、权力结构和制度合法性不能被单一标量取代。熵理论的价值不是提供一个统摄一切的词语，而是迫使研究者说明：不确定性属于什么变量、基于何种概率空间、在哪一边界中测量、局部降低后是否转移至其他位置。
九、结论
人工智能最突出的能力，是把分散、模糊和未完成的材料迅速组织为确定形式。然而，形式秩序不是事实信息，概率集中不是现实成立，模型一致不是独立证据。本文由数据处理不等式证明，在无新增证据条件下，降低输出熵不能创造关于真实状态的新信息；并据此提出熵转移、验证负债、认知过早闭合与责任熵理论。
AI不是单纯的降熵或增熵机器，而是不确定性的重新分配机制。它能够降低个人表达和生产成本，却可能把未消除的未知转移给核验者、组织、现实行动和未来责任制度。可信人工智能研究因而必须从“模型是否自信”推进到“证据是否增加、适用域是否成立、行动是否可逆、责任是否明确”。
本文的形式定理在给定马尔可夫条件下成立；熵转移和验证负债属于待跨场景检验的结构命题；关于组织能力与认知秩序的长期效应仍需原创纵向证据。保留这些边界，是防止“熵”从科学概念退化为修辞符号的必要条件。
参考文献
Boltzmann, L. Weitere Studien über das Wärmegleichgewicht unter Gasmolekülen. *Sitzungsberichte der Kaiserlichen Akademie der Wissenschaften*, 1872, 66: 275–370.
Shannon, C. E. A Mathematical Theory of Communication. *Bell System Technical Journal*, 1948, 27: 379–423, 623–656.
Landauer, R. Irreversibility and Heat Generation in the Computing Process. *IBM Journal of Research and Development*, 1961, 5(3): 183–191.
Cover, T. M., & Thomas, J. A. *Elements of Information Theory*. 2nd ed. Hoboken: Wiley, 2006.
Jaynes, E. T. Information Theory and Statistical Mechanics. *Physical Review*, 1957, 106(4): 620–630.
Pearl, J. *Causality: Models, Reasoning, and Inference*. 2nd ed. Cambridge: Cambridge University Press, 2009.
Gal, Y. *Uncertainty in Deep Learning*. PhD thesis, University of Cambridge, 2016.
Kendall, A., & Gal, Y. What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision? *Advances in Neural Information Processing Systems*, 2017, 30.
Kuhn, L., Gal, Y., & Farquhar, S. Semantic Uncertainty: Linguistic Invariances for Uncertainty Estimation in Natural Language Generation. *International Conference on Learning Representations*, 2023.
Farquhar, S., Kossen, J., Kuhn, L., & Gal, Y. Detecting Hallucinations in Large Language Models Using Semantic Entropy. *Nature*, 2024, 630: 625–630. https://doi.org/10.1038/s41586-024-07421-0.
Ovadia, Y., et al. Can You Trust Your Model’s Uncertainty? Evaluating Predictive Uncertainty under Dataset Shift. *Advances in Neural Information Processing Systems*, 2019, 32.
Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. On Calibration of Modern Neural Networks. *Proceedings of the 34th International Conference on Machine Learning*, 2017: 1321–1330.
Kalai, A. T., et al. Evaluating Large Language Models for Accuracy and Calibration. *Nature*, 2026. https://doi.org/10.1038/s41586-026-10549-w.
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. On the Dangers of Stochastic Parrots. *Proceedings of FAccT*, 2021: 610–623.
Floridi, L. The Logic of Information: A Theory of Philosophy as Conceptual Design. Oxford: Oxford University Press, 2019.
Simon, H. A. The Architecture of Complexity. *Proceedings of the American Philosophical Society*, 1962, 106(6): 467–482.